欧洲的人工智能机会在企业层面变得更加清晰，其采用较少依赖于抽象模型的能力，而更多地依赖于解决决定人工智能是否可以实际使用的实际问题。
企业人工智能正在进入困难部分
企业人工智能的简易版是一个演示。硬版本是演示版运行后发生的一切。
这就是公司遇到权限、遗留软件、不完整数据、用户界面、合规性要求、集成成本、安全风险以及表面上看起来很简单但充满异常的工作流程的地方。这也是许多最有趣的人工智能公司现在定位自己的地方。
在 HumanX，最清晰的企业人工智能信号之一来自围绕实际瓶颈而不是抽象炒作构建的公司。对于埃琳娜采访的欧洲公司和创始人来说，模式很明显：他们并不是试图复制美国最大的实验室。他们围绕特定的企业问题进行构建。
H Company 专注于传统工作流程的计算机使用代理。 Malt 着眼于人才、权限和人工监督。 Neuralk AI 专注于公司数据的表格基础模型。 十二实验室专注于视频智能作为企业人工智能缺失的一层。
它们共同指向了一个更加扎实的人工智能市场版本。下一波企业浪潮不会仅由最大的通用模型赢得。那些了解工作实际陷入困境的公司将会赢得胜利。
企业地图
<表格宽度=“593”>
<正文>
遗留软件问题
H 公司或许提供了这种实际关注最清晰的例子。
它的论点是，企业世界的大部分仍然运行在不是为代理、API 或清洁自动化设计的软件上。公司拥有旧系统、断开连接的工具、手动流程和跨 Salesforce、SAP、电子邮件、PDF、内部门户和行业特定界面的工作流程。
Gautier Cloix 直言不讳地描述了这个问题：人类仍在开发没有 API、没有干净数据的遗留软件。传统的答案是移民。但迁移过程缓慢、成本高昂，而且在完成时往往已经过时。
H 公司的答案是使用计算机：通过员工已经使用的相同人机界面操作软件的代理。 Cloix 描述了销售人员、客户服务代理、采购人员、护士或后台工作人员通过 5 种或 10 种不同工具完成 40 个步骤的工作流程。代理不是重建下面的所有系统，而是学习操作它们上面的界面。
这就是计算机使用很重要的原因。这不是光鲜亮丽的研究。这是点击、打字、滚动、阅读屏幕以及跨系统移动的实际问题，而这些系统本来就不应该相互通信。
用 Cloix 的话说，共同的客户档案并不是特定的部门。问题在于一家公司是否拥有“包含五个以上工具的软件堆栈”，并且这些工具中至少有一个缺乏 API。
最近发布的 Holo3.1 强化了这一方向，H Company 将模型系列定位于 Web、桌面、移动和业务工作流程自动化。更广泛的信号是，计算机使用代理正在成为一个严肃的企业类别，而不仅仅是操作浏览器的模型演示。
代理工作的人员层
如果说 H Company 专注于软件界面，那么 Malt 则专注于人员和组织界面。
Malt 首席技术官 Claire Lebarz 将该公司描述为欧洲最大的独立专家和自由职业者平台。这让 Malt 对工作的变化有了一个具体的看法，因为自由职业者对新技术的反应往往比大公司更快。
莱巴兹表示，在需求完全跟上之前，人才就已经在谈论经纪人了。现在，Malt 发现对代理技能的需求在短短三四个月内就增加了 600%。
这很重要，因为企业采用人工智能不仅仅是购买工具。这是关于公司是否有人可以将混乱的业务需求转化为工作流程、监督代理并使自动化适应公司环境。
莱巴兹最有趣的短语是“人类越过循环”。 在她看来，明天的工作将涉及座席执行更多任务，但流程之上仍然需要人工：培训、监督、编排座席并使座席适应真实的公司环境。
这是对通常的自动化故事的有用修正。问题不在于代理人是否会在简单的一对一交流中取代人。问题是如何打包工作：哪些部分交给代理，哪些部分需要专家，哪些部分需要足够了解上下文的人员来同时监督多个系统。
Malt 的观点还表明了为什么欧洲可能有不同的人工智能机会。该地区拥有深厚的企业客户、人才市场、监管意识以及仅靠炒作无法解决的劳动力转型问题。如果代理工作需要信任、权限、身份、评估和上下文，那么人员层就成为产品的一部分。
企业实际使用的数据
Neuralk AI 将话题归结为最常见但讨论不足的企业数据形式之一：表格。
该公司的宣传既简单又雄心勃勃。其创始人将 Neuralk 描述为表格数据的作用就像基础模型对文本的作用一样。该公司不再要求每个客户构建单独的机器学习管道，而是构建基础模型，可以通过 API 端点对行和列进行预测。
这很重要，因为大多数企业并不是在干净的、互联网规模的文本上运营的。它们运行在结构化数据上：客户、交易、库存、财务记录、运营指标、风险评分和内部历史记录。这些表通常是业务的核心，但它们并不是可以简单地从网络上抓取的数据。
创始人解释说，表格数据是每个公司的核心数据，这也是为什么公司不会随意放弃它。 Neuralk 的方法在训练期间使用合成表，因此模型可以学习统计模式，然后在推理时使用标记的上下文样本对客户数据进行预测。
这是一个与聊天截然不同的企业人工智能问题。它涉及统计推断、预测、数据质量和部署，而不要求每家公司都维护经典机器学习操作的完整机制。
如果它有效，则表明了一种企业趋势：人工智能堆栈正在向公司已经依赖的数据结构靠拢。
缺失的视频层
十二实验室添加了另一个缺失的层：视频。
该公司的出发点是，理解视频与转录对话或检测帧中的物体不同。视频需要时间理解、声音、对话、场景背景、动作以及决定什么重要、什么不重要的能力。
其 Marengo 模型支持跨视频、图像、音频和语言的语义搜索。 Pegasus 是一种视频语言模型，可以分析场景、总结视频、生成元数据并支持结构化输出。
这很重要，因为企业已经拥有大量视频档案：工作室、体育联盟、新闻广播公司、制作公司、公共部门组织、安全团队和数据提供商。这些视频大部分都很有价值，但很难搜索、策划、货币化或转化为工作流程。
十二个实验室的对话还将视频与更大的物理人工智能故事联系起来。一位代表将视频描述为机器人和汽车系统的基础，因为机器需要理解现实世界。他们将这一雄心描述为成为一种“机器的视觉皮层”。
这句话有助于将公司与更广泛的 HumanX 主题联系起来。企业人工智能不仅仅是文本、代码或数据库。它也是视觉的、时间的、多模态的，最终是空间的。
欧洲的机遇具有特殊性
这些公司的共同模式是特异性。
H 公司并没有试图构建一个通用的聊天机器人。它正在尝试运行遗留软件。 Malt 不仅仅只是抽象地谈论人工智能工作。它正在研究如何为企业打包人才、代理和监督。 Neuralk 并不是试图创建另一种通用语言模型。它是围绕表格数据构建的。十二实验室并不将视频视为次要功能。它将视频理解视为基础层。
这种特殊性可能是欧洲可以竞争的地方。企业人工智能市场不仅需要更大的模型。它需要公司了解工作流程、行业限制、敏感数据、劳动力市场以及能力和采用之间的最后一英里。
这是来自 HumanX 的更有趣的信号。欧洲人工智能的故事不仅关乎欧洲能否建立一个与美国竞争的前沿实验室，还关乎欧洲公司能否将人工智能转变为可部署的系统，以适应企业实际生活的混乱、受监管、可运营的世界。
答案可能更少来自奇观，更多来自工作真正发生的无聊地方：旧软件、私人数据、招聘工作流程、视频档案以及从循环上方监督代理的人类。
<小时/>
